Ulasan aplikasi yang berguna memiliki peran penting bagi pengembang dalam mengevaluasi kualitas dan performa aplikasi. Namun, dengan meningkatnya penggunaan aplikasi dan jumlah ulasan yang diberikan, tidak semua ulasan bersifat konstruktif, beberapa ulasan hanya berisi cacian atau pujian tanpa memberikan saran atau masukan yang membangun. Memilah ribuan ulasan secara manual membutuhkan waktu dan tenaga yang besar. Oleh karena itu, dibutuhkan metode yang efisien dan efektif untuk mengidentifikasi ulasan yang berguna. Dalam penelitian ini peneliti menggunakan metode word embedding IndoBERT dan classifier BiLSTM untuk klasifikasi ulasan yang berguna. Hasil eksperimen menunjukkan bahwa Model IndoBERT-BiLSTM dengan konfigurasi learning rate sebesar 2e-5, dropout probability sebesar 0,2, dan batch size 16 mencapai hasil terbaik dengan nilai akurasi sebesar 95,49% dan menunjukkan peningkatan akurasi dibandingkan dengan model fine-tuned IndoBERT.